0到1的创富指南：在斯坦福大学AI实战课上,微软AI产品经理分享最赚钱领域和个人变现技巧

（关注公众号并设为🌟标，获取最新人工智能资讯和产品）

全文15,000 字，阅读约需 29分钟

人工智能正在以惊人的速度改变我们的世界，而这场变革不仅仅关乎技术，更是关乎每个人的财富机遇。我们经常听到来自朋友、同学和专业人士的询问：个人和企业究竟该如何抓住AI机遇，实现财富增长？

为了回答这个问题，我们特别分享一节来自斯坦福大学的AI实战课程。这门课程不是要你盲目追逐最新的AI炒作，而是教你如何制定切实可行的产品策略，从而当前时代中快速脱颖而出。

本课程的讲师Aditya Challapally，是一位在AI领域极具洞察力的专家。作为微软的机器学习工程师和产品主要负责人，开发的生成式AI产品已被全球数百万用户使用。而且他的工作经验横跨硅谷初创公司和财富500强企业，同时还在斯坦福大学教授学生AI相关课程。

在实战课中，Aditya提到这个迅速演变的AI领域，他最常被问到的问题是："我该如何利用AI取得个人成功？如何进入这个行业并在其中赚钱？"无论你是技术专家还是商业人士，这些问题都至关重要。基于他们的深入研究，发现了一些令人振奋的答案。特别值得一提的是，他们也看到了许多激动人心的成功案例。比如，通过认真学习和应用AI策略，有人成功将年收入提升到了50万美元以上。这样的例子清楚地表明，AI不仅仅是一个遥远的技术概念，而是一个可以切实改变个人财富状况的工具。

在接下来的内容中，本次实战将深入探讨：

1. 三种主要的AI公司类型，以及它们各自的盈利模式。
2. 在AI领域最有可能赚到大钱的机会在哪里。
3. 对于非技术背景的专业人士，如何利用AI技能提升自己的市场价值。
4. 如何避开常见陷阱，专注于真正能创造长期价值的AI策略。

无论你是刚刚踏入职场的新人，还是寻求转型的资深专业人士，本课程都将为你提供实用的指导，帮助你在这个AI驱动的新经济中找到属于自己的位置，并最大化你的收入潜力。

让我们一起学习如何将这项革命性技术转化为实实在在的经济效益，准备好了吗？

（本次AI实战课思维导图如下）

文稿整理

主持人Jess ：我很高兴能介绍今天的讲师，Aditya。在今天的课程开始之前，我想简单介绍一下Aditya的背景。Aditya Challapally是一名机器学习工程师和产品负责人，目前在微软工作，负责开发被全球数百万用户使用的生成式AI产品。他还是几家硅谷初创公司和财富500强公司的顾问。Aditya还在斯坦福工程学院和职业发展中心讲授产品管理和人工智能相关课程。现在，不再耽误时间，我将话筒交给Aditya，开始我们的人工智能实战课。

讲师Aditya Challapally： 太棒了，非常感谢你，Jess。我非常兴奋能来到这里。今天的课程主题是“人人都应抓住人工智能的市场机会，制定成功市场的战略”。但实际上，我更想和大家一起揭开许多人对人工智能和生成式AI的一些误解。关于生成式AI，我们常常被问到的一组问题是：“我个人如何在生成式AI和人工智能领域取得成功？我如何进入这个领域？如果我已经在这个领域，作为一名商业或技术专业人士，我该如何取得成功？”我们在这个主题上做了很多研究，因此我非常兴奋能与大家分享这些问题的答案。当然，我们也设有问答环节，您可以随时提出问题，我们会定期停下来回答。同时，在本次演讲中，我也会在某些环节向大家提问，以了解大家是否理解了目前的内容。

1、 课程背景

好的，那么，关于本次课程的一些信息，它取自我和一位斯坦福教授共同教授的课程。为了获得课程中的信息，我们采访了50多位高管，并进行了300多名用户的用户调研。我们投入了大量精力，确保这些答案是正确的、有效的，并且有大量数据支持的。现在，让我们开始。

首先，我想谈谈一个现象。我会请大家在聊天区猜猜这个现象是什么，然后我会给出答案。首先，这个现象就是互联网。最初，人们认为它是一个泡沫，讨论它到底是泡沫还是会创造真实价值。接着，人们开始说：“人们一开始表示自己有比互联网更紧迫的任务需要优先处理，并已经开发了专用的内部工具来应对这些网络挑战。”然后，公司开始被颠覆，新的网络公司开始出现。现在，我们正处于这个新过程中。而生成式AI正好遵循了与互联网相同的曲线过程，几乎一模一样。起初，人们认为它是一个泡沫，然后围绕它展开了讨论。现在，生成式AI已经超越了这个阶段，我们清楚地知道它将创造巨大的价值。但现在，许多公司正在通过构建内部工具来应对AI，而不是构建面向用户的产品，而这些公司正在失去机会。那些在互联网时代这样做的公司，最终失败了，而那些抓住机会的公司则颠覆了这些前者公司。更令人惊讶的是，当年互联网创造的价值远超1999年人们的预估，几乎是当时预测的1000倍。

所以，在泡沫顶峰时，人们认为这已经是最大的程度了。而现在，差不多过了20到25年，我们已经创造了1000倍的价值。因此，我们预计生成式AI也会经历相同的曲线过程，我们可以从中学到很多经验教训。特别是我们还处在AI早期的阶段。由于它是一个新平台，没有人知道最终谁会赢。技术正在飞速进步，以至于用户本身还没有明确的偏好。因此，我们要分享的内容是非常早期的研究，但我们非常有信心这些内容是正确的，尽管它在不断演变中。而这一切最激动人心的部分是，这场比赛的胜利掌握在你手中。我们几乎可以说，在这次课程上，我们将向你透露一些秘密，因为这些数据之前一直只供我们的课程、研讨会或高管工作中使用，而现在我们将其公开。人们利用这些秘密创造了数百万美元的价值，因此我们今天非常兴奋能与大家分享这些内容，这也是此次课程的前提。

2、生成式AI原理

那么，我们首先要深入探讨的是生成式AI背后的实际技术。现在大家已经对生成式AI能够做什么有了一定了解，但仍有一些方面大家可能搞错了。

首先，要注意，生成式AI（GenAI）是一个营销术语，而不是一个真正的技术术语。生成式AI实际上包括了各种不同类型的模型，如生成对抗网络（GANs）、Transformer模型或变分自编码器（VAEs）。这意味着，如果你不是技术人员，比如你是一名商业专业人士，不要到处说你在生成式AI领域工作。我们经常看到商业专业人士，尤其是商业人士，总是这么说。但实际上，没有人称自己为生成式AI工程师，大家会称自己为机器学习工程师。所以，你不应该称自己为生成式AI商业专业人士，而应该称自己为机器学习专业人士，或者某种技术专业人士，或机器学习商业专业人士。除非你是为了营销目的，否则不要自称生成式AI商业专业人士。如果你要和工程团队交流，请不要使用生成式AI这个词，而是使用机器学习这个词。

现在我们来谈谈各种类型的生成式AI应用——虽然我接下来会使用生成式AI这个术语，因为我们都明白它的意思。生成式AI应用分为三种类型：第一种是协作型，这类应用在你工作时能够扩展每个想法并探索所有可能性，就像有一个助手在旁边协助你一样。第二种是个性化生成式AI，它会根据你的需求定制内容，预示着市场将向个性化方向发展。第三种是主动型，这种AI能够代你采取行动。之所以将生成式AI分为这三类，是因为展望未来，你会发现无论你做什么，生成式AI都将成为你的助手。

举个例子，现在你打开抖音或小红书，会看到很多创作者。在未来，这些内容有可能全部由生成式AI完成。协作型生成式AI可以是你未来与之合作的很多团队成员，这些成员可能全部是生成式AI助手。主动型生成式AI则是为你完成一些任务，比如你需要去完成一系列任务，生成式AI会为你自动完成。因此，在这些背后还有很多支撑技术，比如文本、图像、音频、视频等，但我们不会深入探讨这些技术。只要知道，当人们现在谈论生成式AI时，通常想到的是类似于写作聊天机器人之类的东西，但真正显著的进步将在未来5到10年内实现。

那么，我想和大家谈的第一个技术相关的范式转变是，过去你需要大量的数据、基础设施和算法来构建自己的模型。例如，Facebook或抖音拥有这些数据中心和数据科学家来打造出色的推荐算法。而现在，这些模型已经是开源的，而且人们还没有意识到这是多么剧烈的变化。不仅生成式AI非常出色和智能，OpenAI等机构还公开了这些技术，供所有人使用。这相当于Facebook说：“你可以使用我们的推荐算法，只需提供你的内容，我们会为你排序。”这非常惊人现象。

这是发生的第二个变化。部分因为这个变化，我们看到了更多投资机会的出现。接下来我们会很快谈到如何访问这些模型，然后会谈到这些投资机会，以及你如何利用这些机会赚取大量金钱，或者如何通过这次网络研讨会来达到你的目标，无论是赚钱还是进入自己的职业生涯。第一个方法是调用模型创建者。你可以调用像OpenAI或DeepMind这样的机构提供的API。第二个方法是你可以自己托管开源模型，现在有很多开源模型，其性能可以媲美一些封闭源版本，比如Llama 3.1。令人惊叹的是，这些资源前所未有地被公开了。如果你从这个研讨会中只带走一个信息，那就是大多数人还没有认识到免费智能带来的巨大范式转变，这种完全免费的智能可以由你自己托管。这为我们带来了大量新的投资机会，我们稍后会讨论这些机会。我们先稍作暂停，看看大家有没有关于技术部分的问题。你们可以在聊天区提出问题，我们会等几秒钟。

3、利用AI赚钱

主持人（Jess）： Aditya，我们确实有一个普遍的问题：要成为一名优秀的领导者，是否需要了解生成式AI的技术细节？

Aditya Challapally： 这真是个好问题，我们将在接下来的几个部分中深入讨论这个问题。所以我现在不打算详细讨论，因为我们会在个人部分详细探讨，尤其是在如何在生成式AI或后AI时代成功作为一名专业人士方面。我们快速谈一下几种类型的生成式AI公司，特别是我们要讨论在哪里能赚到最多的钱，以及哪些人会赚到最多的钱。主要有三种利用生成式AI的公司类型。

第一种我们称之为‘接口调用者’，他们主要是使用现成的API接口，并在其上构建用户界面，这适合初学者入门。第二种是‘模型定制者’，在使用现有模型的基础上，他们会导入自己的数据进行个性化定制，这被认为是长期发展的理想途径。最后一种是‘模型开发者’，他们从零开始，完全独立地开发自己的模型。接下来我们会讨论大多数人在这些方面的认知错误，不过我们先把这些公司进行一下分层分析。

首先，你需要了解这些公司在哪里能赚到大量的钱——或者说，谁能赚到大量的钱。我们首先需要稍微了解一下技术栈和行业栈。底层是计算硬件公司，比如生产芯片的NVIDIA，还有坐在其上的云平台，如Google、Amazon和Azure。在这些平台之上，是利用Azure等数据服务创建模型的人，然后是那些使用这些模型的人，还有那些创建开源模型的人，以及导入自己的数据进行个性化定制或使用现成的API接口的人。

这点很重要，因为我接下来要问大家一个问题，大家可以在问答区发布你们的答案。你们觉得应该把100万美元投资到哪家公司？我们会讨论大多数人如何错过这个问题的答案，但我们仍然希望看到你们的答案。假设有两家公司，一家是Mistral AI，它是一家模型开发者，最近融资很多，团队也很出色，正在开发最前沿的模型，表现非常好。另一家是Thomson Reuters Westlaw，一家法律数据库公司，拥有大量法律案件数据，包括谁赢了、如何赢的、以及相关的信息。这是一家非常老的公司，如果你有100万美元，你会投资哪家公司？

好吧，也许我给的提示太多了，因为大多数人都选择了Westlaw。这是正确的选择。我们稍后会讨论为什么是它。一个误区是，模型开发者会赚更多的钱。其实，看起来大约有一半的人选择了Westlaw和Mistral。哦，实际上大多数人选择了Mistral，这其实是错误的。误解在于认为模型开发者会赚到所有的钱，实际上不是这样的。事实是，模型正在被定制化。这些模型开发者实际上是在与被商品化的竞争模型竞争。他们虽然不至于难以赚钱，但也没有太多钱可赚。实际上，我们会深入讨论一下，这种模型开源使得这些生成式AI模型能够为应用开发者提供非常易于获取的基础模型，这样这些应用开发者无需在自己的数据科学中心投入大量资金就可以释放出10倍的业务潜力。正因为如此，我们会讨论这对每一层的利润的影响。因此，我们会谈到计算硬件。像NVIDIA这样的硬件公司是非常具有防御性的，他们会赚到大量的钱。云平台可能会提供与以前的云服务相同的盈利能力。因此，盈利水平相当高，但与实际的模型应用用户相比并不算疯狂，尤其是前面提到的“接口调用者”和“模型定制者”。具体来说，我们发现这些“接口调用者”和“模型定制者”实际上赚到的钱最多。我们会花一些时间解释为什么会这样。

4、对AI几个误区

首先，第一个最大的误区是，认为这些所谓的“封装器”——也就是那些将ChatGPT和大型语言模型（LLMs）加上用户界面来提供服务的应用——不会赚很多钱。举个例子，比如Perplexity，或者像Julius之类的应用，它们为数据科学家、研究人员或其他用户定制ChatGPT。实际上，这些应用正在赚取大量的金钱。正因为如此，ChatGPT或这些LLMs每月的常用用户最多也只有大约1亿人，这意味着全球还有89亿人没有定期使用ChatGPT或这些LLMs。这也意味着让这些89亿人能够接触到ChatGPT或这些LLMs是一个极其有利可图的机会，而这些“封装器”正在做的正是这一点，并且因此赚了很多钱。这是第一点。

第二点，人们常说数据是真正的“石油”。接下来我们会讨论为什么这并不完全正确。数据确实非常重要，但更重要的是大公司拥有的另一种竞争优势，我暂时还不打算透露，因为我们会在几秒钟后以提问的方式进行讨论。如果对此有任何问题，我们会在这一部分结束时回答。我现在要问大家一个问题，这也是我刚刚提到的要问的问题。问题是：在生成式AI中，最大的护城河是什么？这可能是一个更新或更好的模型，包括使用定制数据来改进模型，拥有更多的GPU，提供更好的用户体验，或者拥有更好的分发渠道，这意味着能够一次性接触到大量用户。

好的，看起来有很多不错的答案。分布似乎主要集中在用户体验和分发渠道之间，有些人选择了其他选项。哦，抱歉，有人问什么是护城河。护城河是一种竞争优势，是让你能够与竞争对手区分开来的东西。好的，所以答案主要集中在用户体验和分发渠道之间，有些人选择了GPU。选择分发渠道的人是正确的，恭喜你们。原因是人们过去常说数据是新的石油，这曾经是对的。在你需要从头开始构建自己的机器学习模型和AI模型时，确实需要大量的数据。然而，现在情况已经不同了。你不再需要更好的模型或更好的数据，因为这些开源的模型已经非常出色了。所以，数据不再是最大的杀手锏。

用户体验确实非常有价值。如果我必须给出第二好的答案，那肯定是用户体验。但它仍然不是最好的，因为即使你有一个平庸的用户体验，如果你能接触到大量用户，那也可以，因为我们的研究发现，如果结果对用户有帮助，他们甚至愿意接受稍微差一点的用户体验。只要结果对他们有帮助，用户体验是否非常出色并不重要。而分发渠道正是能够提供这种优势的关键。因此，分发渠道是真正赢得市场的关键。我们接下来会讨论这如何影响将来能够获胜的公司类型。当人们思考如何开发这些产品时——无论你是初创公司还是大公司，假设你是初创公司，过去可能获胜的方法是获得最好的模型或最好的数据，或者创造出令人惊叹的用户体验，以吸引用户不断回头。而现在的游戏规则是，如何以最快的速度将你的产品推向市场，让剩下的这89亿人开始使用你的产品。这是新的制胜之道。

那么让我们来打破这个误区与现实之间的对比。就像我们刚才谈到的，以前最大的优势是人才、基础设施和模型——这些都是大科技公司拥有的，因为你需要这些来制作自己的模型。而现在，最大的优势是分发渠道。我们刚才提到的用户体验是第二位的，然后是数据。因此，如果我们看看这些护城河，它们在生成式AI中已经完全翻转了。现在最强的护城河是分发渠道，而最弱的护城河是算法，这真是令人惊叹的变化。大家可以看到，这里提到的分发渠道、用户体验和数据，对于那些猜用户体验和数据的人来说，这就是我们刚才讨论的范式转变。过去，你需要大量的资金、模型和数千名员工才能获胜。而现在，你只需要非常好的用户界面和用户体验(UI/UX)、一些独特的数据以及大约10名员工就可以取得成功。这三件事将帮助你获得良好的分发渠道。

接下来。在这两家公司之间，虽然答案已经在这里标注出来了，但如果你必须猜测哪家公司在生成式AI领域更具优势，那就是JP Morgan。这很有意思，因为IBM拥有大量的人才，拥有大量资金，拥有更多的GPU，拥有所有这些资源。但JP Morgan拥有更广泛的分发渠道，能够接触到更多的终端用户，并且可以利用数据和用户体验构建一个飞轮效应的迭代模型。因此，JP Morgan在生成式AI领域的定位更有优势。在这种情况下，我不是在给你任何股票建议或投资建议，但市场上大多数人并没有意识到这一点。所以大多数市场认为，IBM会赢。因此，每当他们发布生成式AI的公告时，IBM的股票就会上涨。但实际上，应该是JP Morgan的股票上涨。事实上，如果有什么话要说的话，那就是JP Morgan的股票或类似公司的股票相对于它们在生成式AI中的潜力来说是被低估的。再次声明，这不是投资建议，我只是告诉你这是很多人容易犯的错误。

那么，回顾一下，过去AI领域的主要赢家是大科技公司，因为它们有大量资金、大量模型和非常专业的员工。现在，生成式AI的主要赢家实际上是非科技公司，而他们自己并没有意识到这一点。他们犯的错误是继续构建内部工具和无法真正利用这个新世界的东西。希望如果你们是这些公司的一部分，你们会开始意识到，你们实际上比这些科技公司更有优势，因为真正的价值在于将AI整合到现有系统中进行增强，因为你们已经拥有了大量的分发渠道，可以通过这些渠道推动生成式AI的体验。他们拥有大量的数据和庞大的用户基础。那么在这四家公司中，让我解释一下最后一个问题，然后我们再来讨论谁在生成式AI领域最具优势。Chatbase是一家将ChatGPT放到网站上的公司，仅此而已。你可以通过这个聊天机器人询问关于网站的问题。Cohere制造模型，他们制造了企业界最好的模型之一，但他们只是制造模型。RizzGPT允许你测试和改进与他人交流的方式，在某些情况下是为了约会，有时只是与聊天机器人进行对话。Perplexity允许你使用生成式AI进行更好的搜索和获取更好的结果。那么你认为这四家公司中哪一家最具成功的潜力？

看来大多数人的答案集中在Chatbase、Perplexity和RizzGPT之间。你知道吗，大多数人都在说Perplexity。真正的价值在于没有人选择Cohere。实际上，现在有一些人选择了Cohere。唯一的错误答案是Cohere，其他的都具备成功的良好条件。其实我们早前制作了这个幻灯片，而现在Cohere正在裁员，并削减了很多交易。所以你实际上看到了这些负面的现象出现，我们并不是在评论具体公司，而是在评论总体趋势。同样，这不是投资建议，但其余这些公司能够在这些模型前面放置非常好的用户体验，并且获得大量的分发。在这个案例中，我会快速解释为什么这些公司都有可能成功。RizzGPT以数百万美元的价格被收购。Chatbase已经达到了数百万美元的年度经常性收入(ARR)。Perplexity拥有大约1亿用户。因此，它们都做得相当不错。我无法真正比较它们中哪一个比另一个做得更好。我认为更多的人熟悉Perplexity，因为它是一个面向消费者的产品。

5、问题环节

第一个问题是： 你认为现有的模型已经足够好吗？我同意你不需要大量数据，但这些模型并未针对特定任务进行专门化。如今，大公司需要针对特定任务专门化模型，例如，因欧盟法案的隐私问题等。”

Aditya Challapally： 好的，这是一个很好的问题。首先，这是很多人常犯的错误。他们通常认为需要大量地更新他们的模型，用自己的数据进行差异化处理。根据我们课程的研究，这并不一定是必要的。如果你能将最基本的生成式AI功能无缝地集成到你的应用程序、网站或体验中，这本身就具有很大的价值。让我举个例子，有一家公司叫CarMax，专门买卖汽车。他们所做的不是定制一个帮助你买车的聊天机器人，也不是使用模型来帮助你在汽车之间做出决策。他们只是简单地总结了汽车评论。仅此而已。这是他们推出的最有用的生成式AI功能之一，也是他们自己推出的最有用的功能之一，而且不需要进行任何定制化。

事实上，我们发现很多公司陷入了这种不必要的定制或微调过程中。我们发现，最成功的公司是在开源的模型，找到一个适用的用户场景，并根据这些真实场景在之后开始微调模型。而关于微调模型是否优于通用基础模型，从技术上来说，这的确是对的。但我们的研究也表明，在大多数情况下，即使你用大量数据微调了模型，下一次的模型迭代往往会超越这些微调后的模型，除了在一些非常特定的领域，比如医疗或法律领域，你拥有非常独特的数据时。

第二个问题是： 那么，像Google、Apple这样拥有大规模分发网络的科技公司是否也能获胜？他们也会获胜吗？

Aditya Challapally： 这是一个关键问题。首先，他们显然拥有大量的分发渠道。我在微软工作，我非常清楚我们可以接触到十亿用户。当我们开发产品时，可以立即发布给大量用户。但这正是非科技公司拥有的优势。所有这些科技公司在谈论非常具体的数据时无法跟非科技公司比。例如银行、法律、医疗保健等公司他们拥有所有这些专门数据，并能够接触到一群这些科技公司无法接触到的用户。我们这些科技公司不提供银行产品或医疗产品等。因此，这些公司可以接触到使用他们产品的不同用户群，这些用户群使用他们产品的用途也不同，因此你几乎可以将它们视为一组不同的用户群，他们拥有更多独特的数据、不同的用户体验和不同的UI。因此，这些科技公司确实有胜出的机会，但这些非科技公司也比以往任何时候都更有机会获胜。这就是我想说的。事实上，如果他们执行得非常好，比如JP Morgan执行得非常出色，他们在生成式AI领域的表现甚至可能比许多标准科技公司更好，因为生成式AI在涉及其他上下文时效果最佳，比如银行背景、医疗背景等。

第三个问题是： 初创公司如何利用这些机会呢？他们如何在这个领域找到合适的机会？因为我知道你刚才谈论了很多大公司，问题是关于初创公司如何利用这些机会。

Aditya Challapally： 这是一个很好的问题，因为初创公司在这个领域也非常有竞争力。人们常说，如果分发渠道是获胜的关键，那么大公司拥有一切可以获胜的条件。但这里的真正问题是，这些大公司并没有在这个机会中采取行动。某些科技公司显然正在行动，尤其是这些非科技公司，它们的行动非常缓慢，极其缓慢。所以作为初创公司，你可以瞄准这些行业，比如法律、金融、医疗保健，这些行业有着独特的护城河或独特的数据集，打造非常好的用户体验，或者为那些专业人士或最终公司提供帮助。有一家正在引起广泛关注的公司叫Harvey，它在法律行业帮助律师打造定制化的法律ChatGPT。在医疗保健等领域也有很多类似的例子。基本上，对于初创公司来说，非科技公司提供了大量的机会。它们几乎没有任何动作，进展非常缓慢。因此，作为一家初创公司，你可以迅速采取行动并利用这些机会。例如，现在让我告诉你，Westlaw拥有惊人的数据，能接触大量用户，但在生成式AI方面几乎没有任何作为，至少没有实质性的行动。而Harvey是一家完全由一些20多岁年轻人创办的初创公司，他们正在彻底颠覆这个领域。

6、个人使用AI技巧

我们现在来谈谈一些对个人使用AI技巧。这是一个比较大的跳跃，因为到目前为止，我们一直在讨论公司如何成功，在哪里能赚到最多的钱。但我想稍微偏离一下，因为这是我们从专业人士那里收到的最常见的问题：我该如何成功？我需要做什么？特别是非技术专业人士，我们经常收到更多业务导向的专业人士的提问。所以我想谈谈我们看到的成功经验。我们即将推出的课程帮助了很多人显著提高了他们的薪酬和成功率。我可以举一个例子，有一个人通过认真学习这门课程，收入从不到50万美元翻倍到50万美元以上。因此，让我们深入探讨一下。

第一个变化是，过去非技术人员无法构建系统，因为你需要学习如何编写代码以及进行系统架构等所有事情。而现在，非技术人员也可以构建系统，我会解释为什么。而且有从初学者到高级的不同构建水平。但让我先解释一下作为非技术人员，你的工作可以如何变化。过去，假设你是产品经理（PM），当然你不一定是PM，你也可以是任何类型的业务专业人士。现在你可以比以前更像一名数据科学家。因为现在数据科学家或应用科学家并不创建新模型，他们所做的是给ChatGPT或这些LLM提供新的数据，并要求它进行微调。这就像上传一个Excel文件一样简单或者他们会调整提示词，基本上就是输入不同英语语言以确保得到他们想要的结果。这是一项相对简单的技能，只要你掌握了，你就可以开始与工程团队或技术团队合作，或者自己动手做。

你可以说：“嘿，我想构建这个应用程序，我有这个想法。看，ChatGPT做得非常好。”让我给你举个例子，我们与一家银行合作，或者更准确地说，我们与这家银行合作过，一位银行工作人员在一个区域分行把客户的贷款批准信息输入到公司批准的ChatGPT实例中。ChatGPT给出了一个非常好的理由，解释为什么这个人应该得到批准。他们采用了这个版本，并将其用于客户的贷款批准。这位银行工作人员利用ChatGPT提供的理由获得了批准。这一案例非常有帮助，以至于公司决定在整个银行中推广这一做法。现在，这位银行工作人员实际上在全行范围内领导生成式AI的推广工作。他的职业生涯从区域银行代表发展到现在领导整个公司的技术项目，而这一切都源于他只是在调试提示词。公司对这种需求非常大，以至于即使是一些小努力也得到了极大的认可。我们经常与领导者交谈，他们表示：“我们的员工做得还不够，我们希望看到更多这种尝试。”所以，另一个建议是，如果你是业务专业人士，过去你可能会问：“嘿，这甚至可行吗？如果我想开发一个应用程序，需要多长时间？我们需要多少工程师？”你必须考虑所有这些评估。现在你不再需要做这些了。你可以直接去ChatGPT获取答案。你可以问它：“嘿，你能做到这点吗？如果可以，你需要什么？”它会为你提供答案。稍后我们会以更技术性的方式详细讨论这个问题。

如果你是一个技术相关的员工，那么你传达业务需求的方式将完全改变。现在你可以带着提示词的示例、内容的输出来到会议中。你可以成为领导者，决定生成式AI如何限制或扩展你的应用场景。你可以说：“你知道吗，你可以在组织中领导生成式AI的应用，了解它能做什么和不能做什么，以及如何让它完成应用程序的某个部分。”然后，你可以提前研究数据和隐私要求。

接下来我们会更具体地讨论如何做到这些事情，尤其是如何推动你的职业发展。那么，作为一名产品经理（PM），你可以做些什么？在这里，PM是指非技术人员，基本上是一名业务专业人士。我们采访了50位高管和产品负责人，也就是业务领导者，询问在这个AI时代里，一名产品经理或业务专业人士如何提升他们的职位和赢得更多尊重，并在组织中成长。第一个建议是他们需要深入了解技术。我们稍后会谈到这意味着什么，以及需要了解多少技术。第二个建议是理解产品愿景。第三个建议是是否能够提交PR（即写代码），如果你能够开始编写代码。哪怕只是简单的代码，即使是通过提示，也能为你赢得很多升职机会。第四个建议是收集和整理用户需求。我们三年前做过这项调查，也一直在持续进行。今年，深入理解技术的重要性是最大的跃升。过去，对技术的理解并不是特别重要，但现在它变得极其重要。领导者们真的在寻找那些对技术有更多了解的业务专业人士，这变得越来越重要，实际上是最重要的事情。

7、技术PM是未来热门岗位

那么，最优秀的机器学习产品经理（ML PM），也就是ML业务专业人士，是如何成长和成功的？显然，第一个建议是加入一家快速发展的公司。第二个建议是学习技术，然后是成为领域专家，最后是多做一些副项目。好的，基本上，有三条路径可以进入生成式AI领域：变得更具技术性，获得特定领域的经验。理想情况下，你两者都做。最常见的问题是，我应该选择哪一条路径？我应该去获得特定领域经验，了解特定行业，还是应该获得技术知识？

对于业务专业人士，我们通常给出的建议以及我们看到的有效建议是：获得技术知识。

让我花几分钟解释为什么会这样。大多数业务专业人士已经对他们的领域有了一定了解，对行业有了一些了解。即使你是一名会计师，你也了解会计是如何运作的。你不一定了解特定行业是如何运作的，但你了解会计的运作方式。如果你在制造业工作，显然你了解制造业是如何运作的。因此，我们发现很多人选择更深入地获取领域专业知识。首先，当我们说深入获取领域专业知识时，这仍然是与生成式AI结合的。因此，你仍然需要说：“嘿，我非常了解制造业，但我也了解在AI背景下的制造业。所以我可以非常具体地告诉你AI在哪些地方最有用，哪些用例已经尝试过，哪些还没有尝试过。AI在哪些地方取得了成功？在哪些地方没有成功？我可以从哪些初始客户中获取一些初步的生成式AI用例？”

由于很多人选择了这条领域专业化的路线，这实际上是一个竞争非常激烈的领域。因为有些人已经在这个行业工作了30到40年，他们知道很多，认识行业内的所有人，所以很难与之竞争，你必须拥有极高的知识水平。在技术方面，很多业务专业人士却避开了这条路。他们说：“嘿，我不会编程，我真的不了解那个世界。”我们发现，如果这些人尝试变得更具技术性并且获得了更多技术知识，他们就会成为独角兽，因为他们是少数能够弥合技术与行业之间差距的人。接下来我会解释“获得技术知识”是什么意思，因为它有初级、中级和高级三个层次。但我们发现更有价值的路径往往是获得技术知识。理想的情况是，你有10到20年的领域专业知识，然后你变得非常技术性，这样你就成为了独角兽。这种类型的人我们见过有些能够赚到50万美元甚至100万美元，因为初创公司和行业领导者为这些建议支付了非常高的费用。我可以举例说明我们所说的建议的具体内容。

8、业务掌握技术知识

让我们来讨论如何获得技术知识。就像我刚才说的，有初级、中级和高级三个阶段。如果你参加了这个会议，你可能已经通过了如何获得技术知识的初级阶段。具体来说，与生成式AI相关的，你只需要了解大致的工具、大致的影响以及它大致能做些什么，这些基本的知识已经足够了。而中级和高级阶段正是大多数人开始赚大钱的地方，尤其是在高级阶段。那么，在中级阶段，我们所说的“如何获得技术知识”是你要非常熟练地掌握提示语设计。这通常需要四到六周的时间。

首先，基础层次是深入理解如何使用ChatGPT。中级层次是使用系统级提示和多重提示示例，也就是深入理解如何指导它以获得一组非常有价值且稳定的结果。高级层次是通过多渠道提示获得一致的结果。我们稍后会解释这意味着什么，但它包括使用JSON格式和检查LLM等技术。让我举个例子，比如你正在使用的LLM（大型语言模型，ChatGPT）第一次没有给出正确的结果。你问它：“嘿，你能给我一个锻炼计划吗？”结果它给了你一个错误的锻炼计划。你可以让另一个LLM检查这个回答，看是否符合你提出的具体要求。比如，你告诉它你有背痛，然后看看它是否推荐你做深蹲？如果是，那就是一个糟糕的锻炼计划。所以你可以设置一个检查LLM来检查第一个LLM的结果，并了解如何使用JSON格式和结构化输出，以及执行像“思维链”（Chain of Thought）这样的操作，这意味着提示LLM解释它们是如何得出推理的。我们不会详细讨论这个问题，但这是高级阶段的内容。如果你真的想了解这些公司是如何赚到这么多钱的，尤其是那些封装应用，这就是大多数利润的来源。如果你也学会了这些，你也会开始接触到这样的AI时代。

第二个重要的概念是理解数据边界和相关的系统架构。我们不会在这上面花太多时间，因为还有很多其他内容要覆盖。这仅仅是了解如何在你的公司或个人数据边界内调用生成式AI。例如，我们与许多公司合作，他们认为不能使用生成式AI或不能使用来自OpenAI等封闭模型，因为这会违反欧盟法案或其他隐私法案。实际上，这并不正确。所有这些云公司都是在云上运行的，它们在这些公司的数据边界内运行模型。它们只需要在数据边界API内调用即可。但令人惊讶的是，有这么多公司并不知道这一点。我们合作的公司中，99%的人不知道这一点，这非常惊人。因此，他们投入了大量精力去托管自己的模型，而实际上他们只需要了解这一点。那些知道数据边界和相关系统架构的业务专业人士提供了极大的价值，因为他们节省了数百万美元，因此获得了相应的补偿。

因此，了解数据边界和相关的系统架构、如何在自己的数据边界内调用生成式AI、理解数据流图、理解存储系统等都是非常有帮助的。高级阶段就是我们真正开始看到大数额收入的地方。你可以选择两条路径。如果你在大组织工作，或者我们发现这也适用于技术相关的员工，可以深入研究系统架构。你需要能够练习将这些技术概念深入地传达给非技术人员和技术人员。这意味着你需要理解EUP（End-User Programming）是什么，个人信息是什么，缓存是什么，诸如此类的内容，以便你能够深入系统架构。你不一定需要编写代码，只需要知道在哪里使用生成式AI。这些人得到的报酬非常高。

对于独立工作者或非技术相关人员，也许你并不参与系统工程师或这些人的讨论。这些人通过使用低代码或无代码工具，结合生成式AI功能来自动化部分工作或开始构建应用程序赚了很多钱。有些人我们见过，他们学会了构建应用程序而实际上从未学习过如何编程。他们甚至不理解ChatGPT的输出内容，他们只是提示ChatGPT或这些LLM给他们代码或应用程序，然后将这些代码复制粘贴到一个应用程序或某种浏览器中，让它工作。这些人也能赚很多钱，比如我们看到的一个护士，她通过ChatGPT创建了一个患者入院工具，而不是通过学习如何编程，这个应用最终赚了不少钱。好了，我们先暂停一下个人部分的讨论。

9、AI创业的盈利模式

第四个问题是： 我看到很多人有一些具体的问题，他们想通过生成式AI解决。那么你会推荐什么作为好的第一步，他们应该如何评估机会并决定如何最好地解决他们的痛点和想法？”

Aditya Challapally： 这是个好问题，因为它很适合我们后面要讨论的部分，即人们最常犯的错误是什么，以及你应该如何评估哪些是真正好的想法或坏的想法。所以这很好，让我们直接进入正题。第二部分应该能回答这个问题。我们很快会讨论生成式AI模型和商业模型的不同之处。这是人们通常忘记的第一件事。我们会在讨论如何评估生成式AI创意之前快速浏览一下这个部分。

首先，人们常犯的错误是把生成式AI看作是典型的订阅模式，他们认为有一个典型的订阅价格。生成式AI的总成本是典型的订阅价格。通常情况下，软件总是会在这种订阅价格范围内运作。例如，如果你对用户收取每人8美元的费用，你通常不会因为每次有人使用这个新产品而产生额外成本。但在生成式AI中，随着使用量的增加，成本也会上升。这意味着，生成式AI的成本随着使用量的增加呈指数增长。所以，很多SaaS或软件即服务的商业模式最终并不奏效。因此，你会看到一些公司，比如Perplexity，他们实际上损失了很多钱，因为即使他们对用户使用收费，特别是如果用户使用的是高级计划，他们很快就会超出成本限制。所以在你开始研究这些创意时，请记住，很多按人头或按月收费的商业模式在生成式AI中正在崩溃。

现在我们来回答这个问题，如何优先考虑生成式AI机会？你应该如何考虑选择哪个生成式AI产品或项目？我们会给你一些快速的建议。首先，让我给你三个最常见的选项，人们通常会选择这些选项：构建一个面向内部的工具，因为他们希望在帮助提高内部效率的同时，提升专业知识和能力；一个面向用户的功能；或购买一个生成式AI聊天机器人软件或其他软件，并进行白色标签。大多数人会选择构建一个面向内部的工具，但这是错误的选择。你应该始终构建一个面向用户的功能，而避免构建企业内部工具。这是不推荐的。

我们会很快讨论这个问题有多普遍。我们对那些实施生成式AI产品的人进行了分析，几乎每个人都要么做了一个聊天机器人，要么只是一个内部工具。95%的人要么做了聊天机器人，要么做了企业内部工具。这其中60%做了聊天机器人，35%做了内部工具。当我们问他们：“你们的内部工具有多有用？”时，75%的人认为没有用，25%的人认为有点用。所以基本上，95%的人发现内部工具没有用。因此，如果你正在构建一个内部聊天机器人，不要这么做，或者内部工具也不要做。这不会帮助你建立所需的技能。为了建立所需的技能，我们快速走过这一部分，你应该做的是保持你正在开发的任何功能处于私密状态。避免聊天机器人或其他形式的交互，因为这允许人们输入不适当的信息，可能会涉及到不道德的内容。如果你提供了错误的答案，你会陷入很多法律麻烦中。始终做产品内的功能，并进行严格测试。这将帮助你建立所需的能力，打造出色的面向用户的功能。

我们的课程研究表明，专注于面向用户功能的公司更有可能成功。所以总结一下，不要选择构建内部工具，也不要选择聊天机器人，这些选择通常都不太奏效。虽然这两者都很难迭代和使用，但如果你专注于几乎任何其他问题，它们往往会取得不错的效果。我们很快会讨论如何快速实现这些内容，然后再回答一些问题。大多数人犯的错误是，当他们去创建这些生成式AI产品时，他们倾向于创建用于内容创作的产品。他们会说：“嘿，一个帮助人们通过几个提示就能写电子邮件和文章的产品是大家喜欢的。”但实际上，一个帮助人们轻松阅读文档和电子邮件并总结关键概念的产品，才是用户真正喜爱的。我们的课程研究表明，用户更喜欢第二种选项，而他们不喜欢第一种选项。因此，当你在构建工具或生成式AI功能时，应该优先考虑内容消费不要优先考虑内容创作，这是不推荐的。你应该优先考虑内容消费，这意味着要让人们更容易地消费内容并更好地理解信息。我们认为人们经常选择内容创作的原因是，生成式产品的第一波浪潮是一种天真的与ChatGPT的来回对话方式。比如说：“我能得到答案吗？或者我能得到这个吗？你能为我回答这个问题吗？”这是一个请求-响应的设置。但用户已经对此感到厌倦了。事实上，现在人们想要的是通过生成式AI从大量信息中提取关键见解。

我们的课程研究表明，内容消费的平均实用性得分在1到4的范围内为3.5，而内容创作的得分仅为1或2。因此，人们非常喜欢生成式AI的内容消费功能，但不喜欢内容创作功能。让我举几个例子。与其创建法律文件或帮助律师创建法律文件，不如分析历史案例的结果，为法律策略提供建议。与其为潜在客户生成个性化的文件或提案，不如利用市场趋势来改进销售演示。而与其生成产品规格或生成产品电子邮件，不如汇总用户反馈并告诉产品团队接下来应该开发什么。

我们不会详细讨论太多这些例子，但这里为你提供了一些参考。我们看到的最好的生成式AI例子之一是，一些公司监听销售电话或客户服务电话，然后告诉员工如何改进表现，这真的很令人兴奋。与此相反的是，创建一个客户服务代理。好了，我们不会深入探讨所有这些例子。最后一个建议是，不要构建聊天机器人，而是将AI功能原生集成到产品中。用户讨厌使用或与聊天机器人互动。大多数人不愿意使用聊天机器人，几乎99%的人不愿意或只是勉强愿意使用聊天机器人。而且即使他们使用了，80%的人也觉得它没用。这就是现代版的生成式AI聊天机器人。而相反，如果你将生成式AI功能集成到产品中，90%的人对使用该产品感到非常兴奋，几乎55%的人觉得它有用。因此，这对用户来说有10倍的实用性。

Jess（主持人）： 是的，由于时间接近整点，不幸的是，现在没有时间回答更多的问题了。但在结束网络研讨会之前，你有没有什么提示或建议想分享给大家？

Aditya Challapally： 没有，我觉得这些已经很全面了。如果你有任何问题想得到解答，可以在LinkedIn上私信我，我很乐意在一对一的情况下回答。

Jess（主持人）：  太好了，非常感谢大家的参与，谢谢你，Aditya。最后提醒一下，我们与Aditya合作的新课程已经上线了。

斯坦福大学更多AI实战课链接：https://online.stanford.edu/courses/xapro210-mastering-generative-ai-product-innovation?utm_source=youtube&medium=social&utm_content=webinar

---

对了，喜欢就别忘了点赞、收藏、转发支持一下！期待在评论区听到你的观点和看法!

往期回顾

---

我们旨在将先进科技与创新想法完美融合!

想要掌握人工智能，但不知从何开始？告诉我们你的需求，学习AI让你抓住这波浪潮。

告别昂贵服务和缺人烦恼,再见漫长交付周期

无限创意,分分钟生成专业级产品

感受 AI 带来的全新工作体验！

欢迎各大品牌方、媒体、企业和个人等

请联系负责人微信：Milo-1101

--END--